72.3%
+18.4
3.2%
104B
8.7≈
+2.1%
منصة أرقامي | تقرير تحليلي
القرار يبدأ من الرقم

1 الملخص التنفيذي

يشهد الذكاء الاصطناعي تحوّلًا جوهريًا في موقعه ضمن السياسات الاقتصادية للدول، حيث لم يعد يُنظر إليه كتقنية داعمة فحسب، بل كأحد محركات النمو الاقتصادي والإنتاجية الوطنية. وفي هذا السياق، تتبنى المملكة العربية السعودية نهجًا استراتيجيًا متقدمًا يجعل من الذكاء الاصطناعي أحد الأعمدة التنفيذية لتحقيق مستهدفات رؤية المملكة 2030.

تعتمد الرؤية السعودية للذكاء الاصطناعي على مزيج متكامل من: - التشريع والتنظيم (عبر الهيئة السعودية للبيانات والذكاء الاصطناعي – SDAIA)، - الاستثمار السيادي واسع النطاق (من خلال صندوق الاستثمارات العامة – PIF)، - بناء البنية التحتية الحوسبية السيادية (مراكز بيانات، وحدات معالجة رسومية متقدمة – GPUs)، - الشراكات الدولية التقنية (Google Cloud، Nvidia، AMD)، - وتنمية رأس المال البشري والبحث العلمي.

وخلال عامي 2024–2025، انتقلت استراتيجية الذكاء الاصطناعي في المملكة من مرحلة التخطيط والإطار المؤسسي إلى مرحلة التنفيذ الفعلي والاستثمار الكمي، وهو ما تجسّد في إطلاق شركة HUMAIN، وتوقيع شراكات بمليارات الدولارات، والإعلان عن قدرات حوسبية تُقدّر بمئات الآلاف من وحدات GPU، إضافة إلى مشاريع مراكز بيانات بطاقة تصل إلى مئات الميجاواط.

يهدف هذا التقرير إلى تقديم تحليل إحصائي وتنبؤي شامل يربط بين: - الأهداف الرسمية المعلنة للاستراتيجية الوطنية للبيانات والذكاء الاصطناعي، - والأرقام الفعلية الصادرة في الأخبار والبيانات الرسمية الحديثة، - مع تحويل هذه الأرقام إلى مؤشرات قابلة للقياس ومسارات زمنية توضح مدى واقعية تحقيق مستهدفات عام 2030.

يعتمد التقرير على التحليل الوصفي، وحساب معدلات النمو السنوية المركبة (CAGR)، ونمذجة السيناريوهات، مع تقديم رسوم بيانية تفسيرية، بهدف دعم صناع القرار والباحثين والإعلام الاقتصادي في تقييم التقدم الفعلي لمنظومة الذكاء الاصطناعي في المملكة.

2 1) البيانات الأساسية للأهداف (Targets)

2.1 1.1 الأهداف الرئيسية حتى 2030

df_goals <- data.frame(
  Metric_AR = c("المساهمة في الناتج المحلي الإجمالي",
                "الاستثمار الكلي المستهدف",
                "تدريب المتخصصين والخبراء",
                "إنشاء الشركات الناشئة",
                "تدريب النساء في مبادرة Elevate"),
  Metric_EN = c("GDP_Contribution",
                "Total_Investment",
                "Specialists_Trained",
                "Startups_Launched",
                "Women_Trained"),
  Goal_Value = c(130, 20, 20000, 300, 25000),
  Unit = c("مليار دولار أمريكي",
           "مليار دولار أمريكي",
           "متخصص",
           "شركة ناشئة",
           "امرأة متدربة")
)

kable(df_goals, caption = "الأهداف الرئيسية للاستراتيجية حتى 2030")
الأهداف الرئيسية للاستراتيجية حتى 2030
Metric_AR Metric_EN Goal_Value Unit
المساهمة في الناتج المحلي الإجمالي GDP_Contribution 130 مليار دولار أمريكي
الاستثمار الكلي المستهدف Total_Investment 20 مليار دولار أمريكي
تدريب المتخصصين والخبراء Specialists_Trained 20000 متخصص
إنشاء الشركات الناشئة Startups_Launched 300 شركة ناشئة
تدريب النساء في مبادرة Elevate Women_Trained 25000 امرأة متدربة

2.2 1.2 أهداف الترتيب العالمي (Benchmarking)

df_ranking <- data.frame(
  Metric_AR = c("الترتيب العالمي في الذكاء الاصطناعي",
                "الترتيب العالمي في البيانات المفتوحة",
                "الترتيب العالمي في البحث والابتكار العلمي"),
  Target_Rank = c(15, 10, 20)
)

kable(df_ranking, caption = "أهداف الترتيب العالمي المستهدفة حتى 2030")
أهداف الترتيب العالمي المستهدفة حتى 2030
Metric_AR Target_Rank
الترتيب العالمي في الذكاء الاصطناعي 15
الترتيب العالمي في البيانات المفتوحة 10
الترتيب العالمي في البحث والابتكار العلمي 20

3 2) أسئلة البحث (Research Questions)

يعالج التقرير الأسئلة التالية:

  1. كيف يتوزع وزن الأهداف ماليًا وبشريًا ونظاميًا؟
    • ما نمط الحجم النسبي للأهداف، وما الذي يعنيه لصنّاع القرار؟
  2. ما دلالة الفجوة بين الاستثمار (20 مليار) والعائد الاقتصادي المتوقع (130 مليار)؟
    • ما قيمة مؤشرات مثل ROI وGDP/Investment؟ وكيف تُقرأ كإشارة استرشادية؟
  3. ما معدل النمو السنوي المركب (CAGR) المطلوب لتحقيق الأهداف بين 2026–2030؟
    • مع افتراض نقاط انطلاق (Baseline) واقعية ومختلفة حسب طبيعة كل هدف.
  4. ما المسار السنوي (Milestones) اللازم لتحقيق الأهداف بحلول 2030؟
    • وكيف تتغير المسارات باختلاف سيناريوهات النمو؟
  5. ما المؤشرات الأكثر حساسية لتحسين الترتيب العالمي؟
    • وكيف يمكن اعتبار “البيانات المفتوحة” عامل تمكين (Enabler) لبقية الأهداف؟

4 3) المنهجية الإحصائية (Methodology)

بما أن البيانات المتاحة في هذا التقرير هي أهداف نهائية (Targets) وليست سلسلة زمنية كاملة، اعتمدنا على منهجيات مناسبة للأهداف الحتمية:

ملاحظة: هذه النماذج تعطي “مسارًا مطلوبًا” وليس “تنبؤًا احتماليًا” كاملًا، لأن عدم اليقين لا يمكن تقديره دون بيانات فعلية/سلاسل زمنية.

5 4) التحليل الوصفي (Descriptive Statistics)

5.1 4.1 تصنيف الأهداف حسب الفئة

df_goals_cat <- df_goals %>%
  mutate(Category = case_when(
    Unit == "مليار دولار أمريكي" ~ "أهداف مالية",
    Unit %in% c("متخصص", "امرأة متدربة") ~ "أهداف بشرية",
    Unit == "شركة ناشئة" ~ "أهداف نظام بيئي",
    TRUE ~ "أخرى"
  ))

kable(df_goals_cat, caption = "تصنيف الأهداف حسب الفئة")
تصنيف الأهداف حسب الفئة
Metric_AR Metric_EN Goal_Value Unit Category
المساهمة في الناتج المحلي الإجمالي GDP_Contribution 130 مليار دولار أمريكي أهداف مالية
الاستثمار الكلي المستهدف Total_Investment 20 مليار دولار أمريكي أهداف مالية
تدريب المتخصصين والخبراء Specialists_Trained 20000 متخصص أهداف بشرية
إنشاء الشركات الناشئة Startups_Launched 300 شركة ناشئة أهداف نظام بيئي
تدريب النساء في مبادرة Elevate Women_Trained 25000 امرأة متدربة أهداف بشرية

5.2 4.2 إحصاءات وصفية حسب الفئة

df_summary <- df_goals_cat %>%
  group_by(Category) %>%
  summarise(
    Count = n(),
    Min = min(Goal_Value),
    Median = median(Goal_Value),
    Mean = mean(Goal_Value),
    Max = max(Goal_Value),
    .groups = "drop"
  )

kable(df_summary, caption = "إحصاءات وصفية حسب فئة الهدف (Count/Min/Median/Mean/Max)")
إحصاءات وصفية حسب فئة الهدف (Count/Min/Median/Mean/Max)
Category Count Min Median Mean Max
أهداف بشرية 2 20000 22500 22500 25000
أهداف مالية 2 20 75 75 130
أهداف نظام بيئي 1 300 300 300 300

تفسير مختصر:
- الأهداف المالية أكبر حجمًا لكنها أقل عددًا.
- الأهداف البشرية تتطلب تشغيلًا مستمرًا وضمان جودة التدريب والاعتماد.
- هدف الشركات الناشئة يمثل “نتيجة نظام بيئي” ويتأثر بتمويل المخاطر والبيئة التنظيمية.

5.3 4.3 مؤشرات مشتقة: ROI ونِسَب المقارنة

gdp_target <- df_goals$Goal_Value[df_goals$Metric_EN == "GDP_Contribution"]
inv_target <- df_goals$Goal_Value[df_goals$Metric_EN == "Total_Investment"]

roi_simple <- (gdp_target - inv_target) / inv_target
ratio_gdp_to_inv <- gdp_target / inv_target

df_derived <- data.frame(
  Indicator_AR = c("العائد على الاستثمار ROI (تقريبي)", "نسبة الناتج إلى الاستثمار (GDP/Investment)"),
  Value = c(roi_simple, ratio_gdp_to_inv),
  Notes = c("مؤشر وصفي استرشادي (ليس قياسًا محاسبيًا نهائيًا)",
            "كم مرة يفوق هدف الناتج المحلي هدف الاستثمار")
)

kable(df_derived, digits = 2, caption = "مؤشرات مشتقة مبنية على أهداف 2030")
مؤشرات مشتقة مبنية على أهداف 2030
Indicator_AR Value Notes
العائد على الاستثمار ROI (تقريبي) 5.5 مؤشر وصفي استرشادي (ليس قياسًا محاسبيًا نهائيًا)
نسبة الناتج إلى الاستثمار (GDP/Investment) 6.5 كم مرة يفوق هدف الناتج المحلي هدف الاستثمار

5.4 4.4 رسم: الأهداف المالية الرئيسية

df_financial_plot <- df_goals %>%
  filter(Unit == "مليار دولار أمريكي") %>%
  mutate(Metric_AR = reorder(Metric_AR, Goal_Value))

ggplot(df_financial_plot, aes(x = Metric_AR, y = Goal_Value, fill = Metric_AR)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = paste0(Goal_Value, "B$")), vjust = -0.5, size = 5) +
  labs(
    title = "الأهداف المالية الرئيسية حتى 2030",
    x = "المعيار",
    y = "القيمة المستهدفة (مليار دولار)"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 30, hjust = 1),
        legend.position = "none")

6 5) CAGR المطلوب (2026–2030)

6.1 5.1 تعريف CAGR ونقطة الانطلاق (Baseline)

نفترض أن الفترة من بداية 2026 إلى نهاية 2030 = 5 سنوات.
ونفترض Baseline يختلف حسب طبيعة الهدف (مثال افتراضي قابل للتعديل لاحقًا).

calculate_cagr <- function(final_value, baseline_ratio = 0.10, years = 5) {
  current_value <- final_value * baseline_ratio
  ((final_value / current_value)^(1/years) - 1)
}

df_cagr <- df_goals_cat %>%
  mutate(
    baseline_ratio = case_when(
      Unit == "مليار دولار أمريكي" ~ 0.10,
      Unit == "شركة ناشئة" ~ 0.10,
      Unit == "متخصص" ~ 0.30,          # مثال: نفترض تحقق جزء سابق من التدريب
      Unit == "امرأة متدربة" ~ 0.10,
      TRUE ~ 0.10
    ),
    CAGR_Required = mapply(function(v, b) calculate_cagr(v, b, 5), Goal_Value, baseline_ratio),
    CAGR_Percent = paste0(round(CAGR_Required * 100, 1), "%")
  ) %>%
  select(Metric_AR, Goal_Value, Unit, baseline_ratio, CAGR_Percent)

kable(df_cagr, caption = "معدلات CAGR المطلوبة (مع Baseline افتراضي قابل للتعديل)")
معدلات CAGR المطلوبة (مع Baseline افتراضي قابل للتعديل)
Metric_AR Goal_Value Unit baseline_ratio CAGR_Percent
المساهمة في الناتج المحلي الإجمالي 130 مليار دولار أمريكي 0.1 58.5%
الاستثمار الكلي المستهدف 20 مليار دولار أمريكي 0.1 58.5%
تدريب المتخصصين والخبراء 20000 متخصص 0.3 27.2%
إنشاء الشركات الناشئة 300 شركة ناشئة 0.1 58.5%
تدريب النساء في مبادرة Elevate 25000 امرأة متدربة 0.1 58.5%

6.2 5.2 رسم: مقارنة CAGR عبر الأهداف

df_cagr_plot <- df_goals_cat %>%
  mutate(
    baseline_ratio = case_when(
      Unit == "مليار دولار أمريكي" ~ 0.10,
      Unit == "شركة ناشئة" ~ 0.10,
      Unit == "متخصص" ~ 0.30,
      Unit == "امرأة متدربة" ~ 0.10,
      TRUE ~ 0.10
    ),
    CAGR_Required = mapply(function(v, b) calculate_cagr(v, b, 5), Goal_Value, baseline_ratio)
  ) %>%
  mutate(Metric_AR = reorder(Metric_AR, CAGR_Required))

ggplot(df_cagr_plot, aes(x = Metric_AR, y = CAGR_Required, fill = Category)) +
  geom_bar(stat = "identity") +
  labs(
    title = "معدل النمو السنوي المركب المطلوب (CAGR) لتحقيق أهداف 2030",
    x = "الهدف",
    y = "CAGR (كنسبة)"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 30, hjust = 1))

7 6) التنبؤ والمسار السنوي (Milestones)

7.1 6.1 سيناريوهات نمو لهدف الناتج المحلي (30% / 40% / 50%)

years <- 2025:2030

final_gdp <- 130
initial_gdp <- final_gdp * 0.10   # Baseline افتراضي 10%

scenario_data <- expand.grid(
  Year = years,
  Scenario = c("متحفظ 30%", "أساسي 40%", "متسارع 50%")
) %>%
  arrange(Scenario, Year) %>%
  group_by(Scenario) %>%
  mutate(
    rate = case_when(
      Scenario == "متحفظ 30%" ~ 0.30,
      Scenario == "أساسي 40%" ~ 0.40,
      Scenario == "متسارع 50%" ~ 0.50
    ),
    Value = initial_gdp * (1 + rate)^(Year - 2025),
    Progress = Value / final_gdp
  ) %>%
  ungroup()

kable(scenario_data, digits = 2, caption = "مسارات سنوية (سيناريوهات) لهدف الناتج المحلي")
مسارات سنوية (سيناريوهات) لهدف الناتج المحلي
Year Scenario rate Value Progress
2025 متحفظ 30% 0.3 13.00 0.10
2026 متحفظ 30% 0.3 16.90 0.13
2027 متحفظ 30% 0.3 21.97 0.17
2028 متحفظ 30% 0.3 28.56 0.22
2029 متحفظ 30% 0.3 37.13 0.29
2030 متحفظ 30% 0.3 48.27 0.37
2025 أساسي 40% 0.4 13.00 0.10
2026 أساسي 40% 0.4 18.20 0.14
2027 أساسي 40% 0.4 25.48 0.20
2028 أساسي 40% 0.4 35.67 0.27
2029 أساسي 40% 0.4 49.94 0.38
2030 أساسي 40% 0.4 69.92 0.54
2025 متسارع 50% 0.5 13.00 0.10
2026 متسارع 50% 0.5 19.50 0.15
2027 متسارع 50% 0.5 29.25 0.22
2028 متسارع 50% 0.5 43.88 0.34
2029 متسارع 50% 0.5 65.81 0.51
2030 متسارع 50% 0.5 98.72 0.76

7.1.1 رسم السيناريوهات

ggplot(scenario_data, aes(x = Year, y = Value, group = Scenario, color = Scenario)) +
  geom_line(size = 1.2) +
  geom_point(size = 2) +
  geom_hline(yintercept = final_gdp, linetype = "dashed") +
  labs(
    title = "سيناريوهات نمو مساهمة الذكاء الاصطناعي في الناتج المحلي حتى 2030",
    x = "السنة",
    y = "القيمة المتوقعة (مليار دولار)"
  ) +
  theme_minimal(base_size = 14)

تفسير مختصر:
- السيناريو المتسارع يصل للهدف أسرع لكنه يتطلب جاهزية عالية وتمكين بيانات وتطبيقات واسعة.
- السيناريو المتحفظ قد يتطلب تدخلاً سياسياً/تنفيذياً إضافياً لتدارك الفجوة قبل 2030.

7.2 6.2 مسار تدريب المتخصصين (نمو 30% مع Baseline 6000)

final_talent <- 20000
initial_talent <- 6000
talent_rate <- 0.30

df_talent_milestones <- data.frame(
  Year = years,
  Value = round(initial_talent * (1 + talent_rate)^(0:5), 0)
) %>%
  mutate(
    Progress = paste0(round(Value / final_talent * 100, 1), "%")
  )

kable(df_talent_milestones, caption = "المراحل السنوية المتوقعة لتدريب المتخصصين (هدف 20,000)")
المراحل السنوية المتوقعة لتدريب المتخصصين (هدف 20,000)
Year Value Progress
2025 6000 30%
2026 7800 39%
2027 10140 50.7%
2028 13182 65.9%
2029 17137 85.7%
2030 22278 111.4%

7.2.1 رسم مسار المتخصصين

ggplot(df_talent_milestones, aes(x = Year, y = Value)) +
  geom_line(size = 1.2) +
  geom_point(size = 2) +
  geom_hline(yintercept = final_talent, linetype = "dashed") +
  labs(
    title = "مسار تدريب المتخصصين حتى 2030",
    x = "السنة",
    y = "العدد التراكمي"
  ) +
  theme_minimal(base_size = 14)

8 7) النتائج الرئيسية (Key Findings)

9 8) توصيات قابلة للقياس (Evidence-Based Recommendations)

10 9) ملاحظة منهجية (Important Note)

هذا التقرير يقدّم مسارات مطلوبة مبنية على أهداف نهائية وافتراضات Baseline.
عند توفر بيانات فعلية سنوية (Actuals)، يُوصى بإضافة:

72.3%
+18.4
3.2%
104B
8.7≈
+2.1%
نحوِّل الأرقام إلى قرار
جميع الحقوق محفوظة © منصة أرقامي 2025
تواصل: argamil2025@gmail.com
تحليلات اقتصادية ومرئية من السعودية إلى العالم